CN113988481B - 一种基于动态矩阵预测控制的风功率预测方法 - Google Patents

一种基于动态矩阵预测控制的风功率预测方法 Download PDF

Info

Publication number
CN113988481B
CN113988481B CN202111585752.5A CN202111585752A CN113988481B CN 113988481 B CN113988481 B CN 113988481B CN 202111585752 A CN202111585752 A CN 202111585752A CN 113988481 B CN113988481 B CN 113988481B
Authority
CN
China
Prior art keywords
wind power
prediction
time
neural network
dynamic matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111585752.5A
Other languages
English (en)
Other versions
CN113988481A (zh
Inventor
周鹏
孙礼豹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Naiweixin Information Technology Co ltd
Original Assignee
Nanjing Naiweixin Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Naiweixin Information Technology Co ltd filed Critical Nanjing Naiweixin Information Technology Co ltd
Priority to CN202111585752.5A priority Critical patent/CN113988481B/zh
Publication of CN113988481A publication Critical patent/CN113988481A/zh
Application granted granted Critical
Publication of CN113988481B publication Critical patent/CN113988481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于动态矩阵预测控制的风功率预测方法，采用两个以上的初始风功率预测子模型，然后采用第一动态矩阵预测控制***对两个以上的初始风功率预测子模型的预测值进行修正，其次，通过回声状态神经网络对初始风功率预测子模型的预测值权重进行动态的确定，最后，再采用第二动态矩阵预测控制***对回声状态神经网络的预测值进行修正，再一次利用动态矩阵预测控制，本发明不仅能够避免回声状态神经网络预测失效，而且能够很好的减轻极端条件下对风功率预测的不准确性带来的影响，实现了对风电场站未来的风功率最优预测。

Description

一种基于动态矩阵预测控制的风功率预测方法
技术领域
本发明涉及一种基于动态矩阵预测控制的风功率预测方法，属于风功率预测技术领域。
背景技术
风功率预测是以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率、数值天气预报等数据作为模型的输入，结合风电场机组的设备状态及运行工况，预测风电场未来的有功功率。
风功率预测***对接入大量风电的电力***运行有重要意义。电力***是一个复杂的动态***，维持发电、输电、用电之间的功率平衡是电网的责任。没有风电的电力***，电网调度机构根据日负荷曲线可以制定发电计划，满足次日电力的需求。风电场输出功率具有波动性和间歇性,风电的大规模接入导致发电计划制定难度大大增加,风电给电力***的调度运行带来巨大挑战。对风电场输出功率进行预测是缓解电力***调峰、调频压力，提高风电接纳能力的有效手段之一,同时,风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修，尽可能减少因风电机组检修无法发电带来的发电量损失。
现有的风功率预测方法主要可分成物理模型法、统计方法和学***稳的时间序列，难以预测强风停机、气温降低导致风叶结冰等突变事件导致的功率突变现象，因此在这些极端灾害条件下风功率预测准确性大打折扣。为了解决这些问题，比较广泛的思路为采用组合预测模型，克服了单一模型预测点误差较大，但组合预测模型中，对于各个子模型权重系数的确定尤其重要，现有的方法有等权重平均法、最小方差法、无约束最小二乘法等，这种组合预测方式的权重系数大多保持不变，其遇到不确定性的天气状态时，其预测精度受限。另外一些确定权重系数的方法有概率权重法、信息熵法、小波分解、遗传算法、神经网络等，虽然这些方法能够实现动态调整各个子模型的权重，同时风功率预测精度也行，但是，其风功率的预测精度依赖于子模型的构建，对于不确定性的天气状态时，其预测精度同样受限。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种准确率高且计算速度快的基于动态矩阵预测控制的风功率预测方法。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于动态矩阵预测控制的风功率预测方法，包括以下步骤：
步骤1，采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集，并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集。
步骤2，根据初始风功率历史预测数据集建立两个以上的初始风功率预测子模型。根据初始风功率历史预测数据集得到
Figure 155303DEST_PATH_IMAGE001
时刻第
Figure 250167DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 385482DEST_PATH_IMAGE003
，
Figure 681334DEST_PATH_IMAGE004
，
Figure 902100DEST_PATH_IMAGE005
表示初始风功率预测子模型个数。
步骤3，将步骤2得到的
Figure 269496DEST_PATH_IMAGE001
时刻第
Figure 728159DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 257230DEST_PATH_IMAGE003
与检测到的
Figure 965292DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 808483DEST_PATH_IMAGE006
作比较，得到初始风功率预测子模型预测误差
Figure 121652DEST_PATH_IMAGE007
，
Figure 352782DEST_PATH_IMAGE008
。
步骤4，通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差
Figure 548140DEST_PATH_IMAGE007
反馈到初始风功率预测子模型的风功率预测值，对初始风功率预测子模型的风功率预测值进行反馈校正，得到初始风功率预测子模型的风功率预测修正值
Figure 929443DEST_PATH_IMAGE009
，进而得到初始风功率预测子模型的风功率预测修正矩阵
Figure 159436DEST_PATH_IMAGE010
，
Figure 764730DEST_PATH_IMAGE011
表示预测时间。
步骤5，构建回声状态神经网络，回声状态神经网络包括依次连接的输入层、储备池以及输出层。
训练时，将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中，对回声状态神经网络进行训练，其中，采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵
Figure 181805DEST_PATH_IMAGE012
，得到训练好的回声状态神经网络。
步骤6，将回声状态神经网络历史预测数据集经过步骤2至步骤4处理得到回声状态神经网络修正集。将得到的回声状态神经网络修正集输入到训练好的回声状态神经网络中，得到回声状态神经网络预测值
Figure 186974DEST_PATH_IMAGE013
。
步骤7，将步骤6得到的回声状态神经网络预测值
Figure 5894DEST_PATH_IMAGE013
与检测到的
Figure 782089DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 952039DEST_PATH_IMAGE006
作比较，得到风功率预测误差
Figure 471882DEST_PATH_IMAGE014
，
Figure 145309DEST_PATH_IMAGE015
。
步骤8，通过第二动态矩阵预测控制***将步骤7得到的风功率预测误差
Figure 357984DEST_PATH_IMAGE014
反馈到
Figure 484072DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值，对
Figure 807606DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值的风功率预测值进行反馈校正，得到第二次修正后的
Figure 601119DEST_PATH_IMAGE001
时刻的回声状态神经网络预测修正值
Figure 437225DEST_PATH_IMAGE016
。
优选的：第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 50609DEST_PATH_IMAGE017
，
Figure 177834DEST_PATH_IMAGE018
，
Figure 825853DEST_PATH_IMAGE019
为第一动态矩阵预测控制***的阶跃响应预测模型建模时域，第一动态矩阵预测控制***的阶跃响应预测模型：
Figure 114752DEST_PATH_IMAGE020
其中，
Figure 481011DEST_PATH_IMAGE021
为在
Figure 693818DEST_PATH_IMAGE022
时刻预测未来
Figure 196344DEST_PATH_IMAGE023
个时刻的在有
Figure 921723DEST_PATH_IMAGE024
个连续的控制增量
Figure 509699DEST_PATH_IMAGE025
，
Figure 978727DEST_PATH_IMAGE026
，… ，
Figure 601338DEST_PATH_IMAGE027
作用下的风功率预测值输出，
Figure 684569DEST_PATH_IMAGE024
为控制时域长度。
Figure 25421DEST_PATH_IMAGE028
为在
Figure 580030DEST_PATH_IMAGE022
时刻预测未来
Figure 57148DEST_PATH_IMAGE023
个时刻在无控制增量作用下的风功率预测值输出，
Figure 858750DEST_PATH_IMAGE029
为动态矩阵，其元素为描述***动态特性的阶跃响应系数，
Figure 844872DEST_PATH_IMAGE030
为从现在起的未来
Figure 858965DEST_PATH_IMAGE024
个时刻的控制变量。
在
Figure 190589DEST_PATH_IMAGE022
时刻预测的风功率在无控制增量
Figure 694251DEST_PATH_IMAGE025
作用下在未来
Figure 380667DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 277079DEST_PATH_IMAGE031
。
在
Figure 728789DEST_PATH_IMAGE022
时刻预测的风功率在有控制增量
Figure 872194DEST_PATH_IMAGE025
作用下在未来
Figure 409355DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 561987DEST_PATH_IMAGE032
。
优选的：第一动态矩阵预测控制***的反馈校正如下：根据
Figure 602624DEST_PATH_IMAGE033
时刻对风功率值施加控制作用
Figure 205948DEST_PATH_IMAGE034
后，在
Figure 230404DEST_PATH_IMAGE035
时刻采集到实际输出
Figure 921149DEST_PATH_IMAGE036
与
Figure 81872DEST_PATH_IMAGE033
时刻基于第一动态矩阵预测控制***的阶跃响应预测模型的输出预测值
Figure 832659DEST_PATH_IMAGE037
相比较，求得实时预测误差
Figure 78832DEST_PATH_IMAGE038
：
Figure 573268DEST_PATH_IMAGE039
通过对实时预测误差
Figure 854076DEST_PATH_IMAGE038
加权来修正对未来输出的预测，即:
Figure 775765DEST_PATH_IMAGE040
式中，
Figure 509234DEST_PATH_IMAGE041
为
Figure 541781DEST_PATH_IMAGE042
时刻经误差校正后所预测的未来
Figure 677097DEST_PATH_IMAGE019
个时刻的预测风功率，
Figure 100002_DEST_PATH_IMAGE043
为误差校正向量，即对不同时刻的预测值进行误差校正时所加的权重系数，其中,
Figure 159899DEST_PATH_IMAGE044
。
优选的：第一动态矩阵预测控制***的优化性能指标为：
Figure 115086DEST_PATH_IMAGE045
其中，
Figure 951324DEST_PATH_IMAGE046
表示优化性能指标，
Figure 206725DEST_PATH_IMAGE047
表示跟踪误差的加权系数，
Figure 470216DEST_PATH_IMAGE048
表示在未来
Figure 912698DEST_PATH_IMAGE049
时刻滚动输出风功率的期望值，
Figure 552627DEST_PATH_IMAGE050
表示控制增量的加权系数。
优选的：所述输入层：包括
Figure 662534DEST_PATH_IMAGE024
个输入神经元。
储备池：为
Figure 96927DEST_PATH_IMAGE019
个神经元连接而成的稀疏网络，储备池内部神经元之间的连接权值矩阵用
Figure 682498DEST_PATH_IMAGE051
表示，
Figure 594959DEST_PATH_IMAGE052
表示储备池内部神经元
Figure 808640DEST_PATH_IMAGE053
与神经元
Figure 413934DEST_PATH_IMAGE054
的连接权值，连接权值矩阵
Figure 96588DEST_PATH_IMAGE051
是一个稀疏矩阵，储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示，输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵
Figure 812740DEST_PATH_IMAGE055
表示。储备池接受两个方向的输入，一个是来自输入层，另外一个是来自输出层前一个的状态的输出。
输出层：包括1个输出神经元，储备池内部神经元到输出层内部神经元的连接权值用矩阵
Figure 631661DEST_PATH_IMAGE012
表示，输出层内部的神经元到储备池内部神经元的连接权值用矩阵
Figure 431293DEST_PATH_IMAGE056
表示。
回声状态神经网络在
Figure 335664DEST_PATH_IMAGE001
时刻处的值表示如下：
Figure 573616DEST_PATH_IMAGE057
Figure 981464DEST_PATH_IMAGE058
Figure 397402DEST_PATH_IMAGE059
其中，
Figure 789069DEST_PATH_IMAGE060
表示在
Figure 581444DEST_PATH_IMAGE001
时刻处输入层输入，
Figure 640536DEST_PATH_IMAGE061
表示在
Figure 211064DEST_PATH_IMAGE001
时刻处输出层输出，
Figure 90027DEST_PATH_IMAGE062
表示在
Figure 482831DEST_PATH_IMAGE001
时刻处回声状态神经网络预测值，
Figure 130850DEST_PATH_IMAGE063
表示在
Figure 623011DEST_PATH_IMAGE001
时刻处储备池内部第
Figure 989270DEST_PATH_IMAGE064
个神经元的状态，
Figure 920186DEST_PATH_IMAGE065
表示在
Figure 625974DEST_PATH_IMAGE001
时刻处储备池内状态。初始化储备池的状态
Figure 351353DEST_PATH_IMAGE066
，
Figure 408171DEST_PATH_IMAGE067
。
储备池神经元的内部状态更新如下：
Figure 595308DEST_PATH_IMAGE068
输出层神经元的内部状态更新如下：
Figure 952340DEST_PATH_IMAGE069
Figure 848620DEST_PATH_IMAGE070
表示非线性激活函数，
Figure 923893DEST_PATH_IMAGE071
表示线性激活函数，
Figure 931032DEST_PATH_IMAGE072
表示偏置量。
优选的：所述稀疏连接率为0.01-0.05。
优选的：所述连接权值矩阵
Figure 408149DEST_PATH_IMAGE051
的谱半径小于1。
优选的：
Figure 475331DEST_PATH_IMAGE051
所述第二动态矩阵预测控制***的阶跃输入为风功率预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 303479DEST_PATH_IMAGE074
，
Figure 848730DEST_PATH_IMAGE075
，
Figure 180354DEST_PATH_IMAGE076
为第二动态矩阵预测控制***的阶跃响应预测模型建模时域。
本发明相比现有技术，具有以下有益效果：
本发明采用两个以上的初始风功率预测子模型，然后采用第一动态矩阵预测控制***对两个以上的初始风功率预测子模型的预测值进行修正，通过反馈校正和有限时域滚动优化，弥补传统风功率预测方法在极端条件下对风功率预测计算的不准确性。其次，通过回声状态神经网络对初始风功率预测子模型的预测值权重进行动态的确定，防止不确定性数据对预测值进行影响，能够很好的综合各个初始风功率预测子模型的特点。最后，在采用第二动态矩阵预测控制***对回声状态神经网络的预测值进行修正，再一次利用动态矩阵预测控制，基于反馈校正和有限时域滚动优化，避免回声状态神经网络预测失效，通过以上的手段，使得本发明能够很好的减轻极端条件下对风功率预测的不准确性带来的影响，实现了对风电场站未来的风功率最优预测，同时风功率预测精度高。
附图说明
图1为本发明的实施例的流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于动态矩阵预测控制的风功率预测方法，如图1所示，包括以下步骤：
步骤1，采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集，并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集。
步骤2，根据初始风功率历史预测数据集建立两个以上的初始风功率预测子模型。根据初始风功率历史预测数据集得到
Figure 684017DEST_PATH_IMAGE001
时刻第
Figure 757319DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 106260DEST_PATH_IMAGE003
，
Figure 557970DEST_PATH_IMAGE077
，
Figure 701376DEST_PATH_IMAGE005
表示初始风功率预测子模型个数。初始风功率预测子模型包括基于物理原理和边界条件模拟大气动力学的数值天气风功率预报模型、基于自回归滑动平均的风功率预报模型、基于卡尔曼滤波的风功率预报模型、基于马尔可夫链的风功率预报模型、基于灰色理论的风功率预报模型、基于人工智能的风功率预报模型（神经网络、支持向量机、极限学习机等），也就是说，本实施例中的初始风功率预测子模型可以是现有的风功率预测模型。
步骤3，将步骤2得到的
Figure 238536DEST_PATH_IMAGE001
时刻第
Figure 125590DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 697385DEST_PATH_IMAGE003
与检测到的
Figure 277271DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 239411DEST_PATH_IMAGE006
作比较，得到初始风功率预测子模型预测误差
Figure 930155DEST_PATH_IMAGE007
，
Figure 356457DEST_PATH_IMAGE008
。
步骤4，通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差
Figure 107245DEST_PATH_IMAGE007
反馈到初始风功率预测子模型的风功率预测值，对初始风功率预测子模型的风功率预测值进行反馈校正，得到初始风功率预测子模型的风功率预测修正值
Figure 353418DEST_PATH_IMAGE009
，进而得到初始风功率预测子模型的风功率预测修正矩阵
Figure 113433DEST_PATH_IMAGE078
，
Figure 394241DEST_PATH_IMAGE011
表示预测时间。
所述第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 519192DEST_PATH_IMAGE079
，
Figure 252662DEST_PATH_IMAGE080
，
Figure 550788DEST_PATH_IMAGE019
为第一动态矩阵预测控制***的阶跃响应预测模型建模时域，第一动态矩阵预测控制***的阶跃响应预测模型：
Figure 420524DEST_PATH_IMAGE020
其中，
Figure 513114DEST_PATH_IMAGE021
为在
Figure 733879DEST_PATH_IMAGE022
时刻预测未来
Figure 570117DEST_PATH_IMAGE023
个时刻的在有
Figure 559939DEST_PATH_IMAGE024
个连续的控制增量
Figure 823430DEST_PATH_IMAGE025
，
Figure 531492DEST_PATH_IMAGE026
，… ，
Figure 437000DEST_PATH_IMAGE027
作用下的风功率预测值输出，
Figure 281328DEST_PATH_IMAGE024
为控制时域长度,
Figure 715720DEST_PATH_IMAGE023
表示滚动优化时域长度。
Figure 911078DEST_PATH_IMAGE028
为在
Figure 557960DEST_PATH_IMAGE022
时刻预测未来
Figure 522374DEST_PATH_IMAGE023
个时刻在无控制增量作用下的风功率预测值输出，
Figure 862089DEST_PATH_IMAGE029
为动态矩阵，其元素为描述***动态特性的阶跃响应系数，
Figure 364918DEST_PATH_IMAGE030
为从现在起的未来
Figure 81070DEST_PATH_IMAGE024
个时刻的控制变量。
在
Figure 899990DEST_PATH_IMAGE022
时刻预测的风功率在无控制增量
Figure 941764DEST_PATH_IMAGE025
作用下在未来
Figure 846135DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 365978DEST_PATH_IMAGE031
。
在
Figure 304985DEST_PATH_IMAGE022
时刻预测的风功率在有控制增量
Figure 252081DEST_PATH_IMAGE025
作用下在未来
Figure 643748DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 967282DEST_PATH_IMAGE032
。
第一动态矩阵预测控制***的反馈校正如下：根据
Figure 760794DEST_PATH_IMAGE033
时刻对风功率值施加控制作用
Figure 878792DEST_PATH_IMAGE034
后，在
Figure 757755DEST_PATH_IMAGE081
时刻采集到实际输出
Figure 619401DEST_PATH_IMAGE036
与
Figure 267420DEST_PATH_IMAGE033
时刻基于第一动态矩阵预测控制***的阶跃响应预测模型的输出预测值
Figure 821898DEST_PATH_IMAGE082
相比较，求得实时预测误差
Figure 922578DEST_PATH_IMAGE038
：
Figure 322335DEST_PATH_IMAGE039
通过对实时预测误差
Figure 356019DEST_PATH_IMAGE038
加权来修正对未来输出的预测，即:
Figure 815819DEST_PATH_IMAGE040
式中，
Figure 403796DEST_PATH_IMAGE041
为
Figure 872823DEST_PATH_IMAGE042
时刻经误差校正后所预测的未来
Figure 495434DEST_PATH_IMAGE019
个时刻的预测风功率，
Figure 391715DEST_PATH_IMAGE043
为误差校正向量，即对不同时刻的预测值进行误差校正时所加的权重系数，其中,
Figure 466987DEST_PATH_IMAGE044
。
第一动态矩阵预测控制***的优化性能指标为：
Figure 474126DEST_PATH_IMAGE083
其中，
Figure 951244DEST_PATH_IMAGE084
表示优化性能指标，
Figure 18426DEST_PATH_IMAGE047
表示跟踪误差的加权系数，
Figure 580994DEST_PATH_IMAGE048
表示在未来
Figure 126245DEST_PATH_IMAGE049
时刻滚动输出风功率的期望值，
Figure 723449DEST_PATH_IMAGE050
表示控制增量的加权系数。
步骤5，构建回声状态神经网络，回声状态神经网络包括输入层、储备池以及输出层，其中：
输入层：包括
Figure 961532DEST_PATH_IMAGE024
个输入神经元。
储备池：为
Figure 769255DEST_PATH_IMAGE019
个神经元连接而成的稀疏网络，储备池内部神经元之间的连接权值矩阵用
Figure 383776DEST_PATH_IMAGE051
表示，
Figure 569906DEST_PATH_IMAGE052
表示储备池内部神经元
Figure 978891DEST_PATH_IMAGE053
与神经元
Figure 516052DEST_PATH_IMAGE054
的连接权值，连接权值矩阵
Figure 668684DEST_PATH_IMAGE051
是一个稀疏矩阵，储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示，一般选为0.01-0.05，并且为了使网络具有回声状态属性以确保网络稳定，连接权值矩阵
Figure 709321DEST_PATH_IMAGE051
的谱半径（必须小于1）。输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵
Figure 23628DEST_PATH_IMAGE055
表示。储备池接受两个方向的输入，一个是来自输入层，另外一个是来自输出层前一个的状态的输出。
输出层：包括1个输出神经元，储备池内部神经元到输出层内部神经元的连接权值用矩阵
Figure 313664DEST_PATH_IMAGE012
表示，输出层内部的神经元到储备池内部神经元的连接权值用矩阵
Figure 4408DEST_PATH_IMAGE056
表示。
回声状态神经网络在
Figure 430710DEST_PATH_IMAGE001
时刻处的值表示如下：
Figure 915918DEST_PATH_IMAGE057
Figure 427671DEST_PATH_IMAGE058
Figure 922107DEST_PATH_IMAGE059
Figure 671757DEST_PATH_IMAGE060
表示在
Figure 593445DEST_PATH_IMAGE001
时刻处输入层输入，
Figure 592494DEST_PATH_IMAGE061
表示在
Figure 890620DEST_PATH_IMAGE001
时刻处输出层输出，
Figure 760356DEST_PATH_IMAGE062
表示在
Figure 852946DEST_PATH_IMAGE001
时刻处回声状态神经网络预测值，
Figure 73712DEST_PATH_IMAGE063
表示在
Figure 909950DEST_PATH_IMAGE001
时刻处储备池内部第
Figure 899771DEST_PATH_IMAGE064
个神经元的状态，
Figure 163262DEST_PATH_IMAGE065
表示在
Figure 871324DEST_PATH_IMAGE001
时刻处储备池内状态。初始化储备池的状态
Figure 511253DEST_PATH_IMAGE066
，
Figure 621160DEST_PATH_IMAGE067
。
储备池神经元的内部状态更新如下：
Figure 789973DEST_PATH_IMAGE068
输出层神经元的内部状态更新如下：
Figure 250911DEST_PATH_IMAGE069
Figure 428951DEST_PATH_IMAGE070
表示非线性激活函数，
Figure 127786DEST_PATH_IMAGE071
表示线性激活函数，
Figure 733079DEST_PATH_IMAGE072
表示偏置量。
训练时，将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中，对回声状态神经网络进行训练，其中，采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵
Figure 173592DEST_PATH_IMAGE012
，得到训练好的回声状态神经网络。
步骤6，将回声状态神经网络历史预测数据集经过步骤2至步骤4处理得到回声状态神经网络修正集。将得到的回声状态神经网络修正集输入到训练好的回声状态神经网络中，得到回声状态神经网络预测值
Figure 155323DEST_PATH_IMAGE013
。
步骤7，将步骤6得到的回声状态神经网络预测值
Figure 974243DEST_PATH_IMAGE013
与检测到的
Figure 750438DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 920389DEST_PATH_IMAGE006
作比较，得到风功率预测误差
Figure 440232DEST_PATH_IMAGE014
，
Figure 113658DEST_PATH_IMAGE015
。
步骤8，通过第二动态矩阵预测控制***将步骤7得到的风功率预测误差
Figure 326334DEST_PATH_IMAGE014
反馈到
Figure 983580DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值，对
Figure 510376DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值的风功率预测值进行反馈校正，得到第二次修正后的
Figure 835047DEST_PATH_IMAGE001
时刻的回声状态神经网络预测修正值
Figure 218624DEST_PATH_IMAGE016
。
所述第二动态矩阵预测控制***的阶跃输入为风功率预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 97587DEST_PATH_IMAGE074
，
Figure 959233DEST_PATH_IMAGE075
，
Figure 168104DEST_PATH_IMAGE076
为第二动态矩阵预测控制***的阶跃响应预测模型建模时域，其他的阶跃响应预测模型、反馈校正、优化性能指标与第一动态矩阵预测控制***类似，在此不再赘述。
本实施例通过两次动态矩阵控制预测，一次是对子模型进行动态矩阵控制预测，一次是对回声状态神经网络进行动态矩阵控制预测，同时采用回声状态神经网络对各个子模型进行动态权重确定，因此，能够有效的防止极端情况对风功率的影响，同时降低了风电自身固有的波动性和间歇性缺点,降低风电的大规模接入导致发电计划制定的难度,降低风电给电力***的调度运行带来的挑战，缓解电力***调峰、调频压力，提高风电接纳能力。另外,风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修，尽可能减少因风电机组检修无法发电带来的发电量损失。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于动态矩阵预测控制的风功率预测方法，其特征在于，包括以下步骤：
步骤1，采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集，并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集；
步骤2，根据初始风功率历史预测数据集建立两个以上的初始风功率预测子模型；根据初始风功率历史预测数据集得到
Figure 968762DEST_PATH_IMAGE001
时刻第
Figure 10536DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 180486DEST_PATH_IMAGE003
，
Figure 700329DEST_PATH_IMAGE004
，
Figure 842597DEST_PATH_IMAGE005
表示初始风功率预测子模型个数；
步骤3，将步骤2得到的
Figure 507803DEST_PATH_IMAGE001
时刻第
Figure 899470DEST_PATH_IMAGE002
个初始风功率预测子模型的风功率预测值
Figure 488583DEST_PATH_IMAGE003
与检测到的
Figure 282096DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 400093DEST_PATH_IMAGE006
作比较，得到初始风功率预测子模型预测误差
Figure 279056DEST_PATH_IMAGE007
，
Figure 343964DEST_PATH_IMAGE008
；
步骤4，通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差
Figure 257563DEST_PATH_IMAGE007
反馈到初始风功率预测子模型的风功率预测值，对初始风功率预测子模型的风功率预测值进行反馈校正，得到初始风功率预测子模型的风功率预测修正值
Figure 15303DEST_PATH_IMAGE009
，进而得到初始风功率预测子模型的风功率预测修正矩阵
Figure 201737DEST_PATH_IMAGE010
，
Figure 601495DEST_PATH_IMAGE011
表示预测时间；
步骤5，构建回声状态神经网络，回声状态神经网络包括依次连接的输入层、储备池以及输出层；
训练时，将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中，对回声状态神经网络进行训练，其中，采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵
Figure 369600DEST_PATH_IMAGE012
，得到训练好的回声状态神经网络；
步骤6，将回声状态神经网络历史预测数据集经过步骤2至步骤4处理得到回声状态神经网络修正集；将得到的回声状态神经网络修正集输入到训练好的回声状态神经网络中，得到回声状态神经网络预测值
Figure 829400DEST_PATH_IMAGE013
；
步骤7，将步骤6得到的回声状态神经网络预测值
Figure 417376DEST_PATH_IMAGE013
与检测到的
Figure 620824DEST_PATH_IMAGE001
时刻处的实际风功率
Figure 243435DEST_PATH_IMAGE006
作比较，得到风功率预测误差
Figure 139716DEST_PATH_IMAGE014
，
Figure 214988DEST_PATH_IMAGE015
；
步骤8，通过第二动态矩阵预测控制***将步骤7得到的风功率预测误差
Figure 222127DEST_PATH_IMAGE014
反馈到
Figure 699245DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值，对
Figure 766427DEST_PATH_IMAGE001
时刻的回声状态神经网络预测值的风功率预测值进行反馈校正，得到第二次修正后的
Figure 328996DEST_PATH_IMAGE001
时刻的回声状态神经网络预测修正值
Figure 874246DEST_PATH_IMAGE016
。
2.根据权利要求1所述基于动态矩阵预测控制的风功率预测方法，其特征在于：第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 471450DEST_PATH_IMAGE017
，
Figure 709533DEST_PATH_IMAGE018
，
Figure 556135DEST_PATH_IMAGE019
为第一动态矩阵预测控制***的阶跃响应预测模型建模时域，第一动态矩阵预测控制***的阶跃响应预测模型：
Figure 905077DEST_PATH_IMAGE020
其中，
Figure 91208DEST_PATH_IMAGE021
为在
Figure 500192DEST_PATH_IMAGE022
时刻预测未来
Figure 37353DEST_PATH_IMAGE023
个时刻的在有
Figure 189986DEST_PATH_IMAGE024
个连续的控制增量
Figure 496202DEST_PATH_IMAGE025
，
Figure 544929DEST_PATH_IMAGE026
，… ，
Figure 569386DEST_PATH_IMAGE027
作用下的风功率预测值输出，
Figure 525710DEST_PATH_IMAGE024
为控制时域长度；
Figure 686433DEST_PATH_IMAGE028
为在
Figure 171641DEST_PATH_IMAGE022
时刻预测未来
Figure 683393DEST_PATH_IMAGE023
个时刻在无控制增量作用下的风功率预测值输出，
Figure 177829DEST_PATH_IMAGE029
为动态矩阵，其元素为描述***动态特性的阶跃响应系数，
Figure 193058DEST_PATH_IMAGE030
为从现在起的未来
Figure 114746DEST_PATH_IMAGE024
个时刻的控制变量；
在
Figure 871654DEST_PATH_IMAGE022
时刻预测的风功率在无控制增量
Figure 169780DEST_PATH_IMAGE025
作用下在未来
Figure 305095DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 945155DEST_PATH_IMAGE031
；
在
Figure 165921DEST_PATH_IMAGE022
时刻预测的风功率在有控制增量
Figure 2158DEST_PATH_IMAGE025
作用下在未来
Figure 991980DEST_PATH_IMAGE019
个时刻的输出预测值为
Figure 989892DEST_PATH_IMAGE032
。
3.据权利要求2所述基于动态矩阵预测控制的风功率预测方法，其特征在于：第一动态矩阵预测控制***的反馈校正如下：根据
Figure 697954DEST_PATH_IMAGE033
时刻对风功率值施加控制作用
Figure 72303DEST_PATH_IMAGE034
后，在
Figure 182211DEST_PATH_IMAGE035
时刻采集到实际输出
Figure 616603DEST_PATH_IMAGE036
与
Figure 608699DEST_PATH_IMAGE033
时刻基于第一动态矩阵预测控制***的阶跃响应预测模型的输出预测值
Figure 786739DEST_PATH_IMAGE037
相比较，求得实时预测误差
Figure 751153DEST_PATH_IMAGE038
：
Figure 559709DEST_PATH_IMAGE039
通过对实时预测误差
Figure 976784DEST_PATH_IMAGE038
加权来修正对未来输出的预测，即:
Figure 755253DEST_PATH_IMAGE040
式中，
Figure 574173DEST_PATH_IMAGE041
为
Figure 350368DEST_PATH_IMAGE042
时刻经误差校正后所预测的未来
Figure 520318DEST_PATH_IMAGE019
个时刻的预测风功率，
Figure DEST_PATH_IMAGE043
为误差校正向量，即对不同时刻的预测值进行误差校正时所加的权重系数，其中,
Figure 164795DEST_PATH_IMAGE044
。
4.根据权利要求3所述基于动态矩阵预测控制的风功率预测方法，其特征在于：第一动态矩阵预测控制***的优化性能指标为：
Figure 838222DEST_PATH_IMAGE045
其中，
Figure 50897DEST_PATH_IMAGE046
表示优化性能指标，
Figure 442565DEST_PATH_IMAGE047
表示跟踪误差的加权系数，
Figure 766098DEST_PATH_IMAGE048
表示在未来
Figure 294032DEST_PATH_IMAGE049
时刻滚动输出风功率的期望值，
Figure 880871DEST_PATH_IMAGE050
表示控制增量的加权系数。
5.根据权利要求4所述基于动态矩阵预测控制的风功率预测方法，其特征在于：所述输入层：包括
Figure 556572DEST_PATH_IMAGE024
个输入神经元；
储备池：为
Figure 418217DEST_PATH_IMAGE019
个神经元连接而成的稀疏网络，储备池内部神经元之间的连接权值矩阵
Figure 66236DEST_PATH_IMAGE051
，
Figure 34365DEST_PATH_IMAGE052
表示储备池内部神经元
Figure 135045DEST_PATH_IMAGE053
与神经元
Figure 65961DEST_PATH_IMAGE054
的连接权值，连接权值矩阵
Figure 834066DEST_PATH_IMAGE051
是一个稀疏矩阵，储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示，输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵
Figure 293866DEST_PATH_IMAGE055
表示；储备池接受两个方向的输入，一个是来自输入层，另外一个是来自输出层前一个的状态的输出；
输出层：包括1个输出神经元，储备池内部神经元到输出层内部神经元的连接权值用矩阵
Figure 881842DEST_PATH_IMAGE012
表示，输出层内部的神经元到储备池内部神经元的连接权值用矩阵
Figure 85290DEST_PATH_IMAGE056
表示；
回声状态神经网络在
Figure 707901DEST_PATH_IMAGE001
时刻处的值表示如下：
Figure 338603DEST_PATH_IMAGE057
Figure 679454DEST_PATH_IMAGE058
Figure 686594DEST_PATH_IMAGE059
其中，
Figure 163711DEST_PATH_IMAGE060
表示在
Figure 27631DEST_PATH_IMAGE001
时刻处输入层输入，
Figure 918095DEST_PATH_IMAGE061
表示在
Figure 728925DEST_PATH_IMAGE001
时刻处输出层输出，
Figure 326129DEST_PATH_IMAGE062
表示在
Figure 33054DEST_PATH_IMAGE001
时刻处回声状态神经网络预测值，
Figure 82918DEST_PATH_IMAGE063
表示在
Figure 431860DEST_PATH_IMAGE001
时刻处储备池内部第
Figure 883570DEST_PATH_IMAGE064
个神经元的状态，
Figure 89292DEST_PATH_IMAGE065
表示在
Figure 626453DEST_PATH_IMAGE001
时刻处储备池内状态；初始化储备池的状态
Figure 513506DEST_PATH_IMAGE066
，
Figure 819723DEST_PATH_IMAGE067
；
储备池神经元的内部状态更新如下：
Figure 399608DEST_PATH_IMAGE068
输出层神经元的内部状态更新如下：
Figure 424065DEST_PATH_IMAGE069
Figure 114810DEST_PATH_IMAGE070
表示非线性激活函数，
Figure 9953DEST_PATH_IMAGE071
表示线性激活函数，
Figure 760740DEST_PATH_IMAGE072
表示偏置量。
6.根据权利要求5所述基于动态矩阵预测控制的风功率预测方法，其特征在于：所述稀疏连接率为0.01-0.05。
7.根据权利要求6所述基于动态矩阵预测控制的风功率预测方法，其特征在于：所述连接权值矩阵
Figure 272493DEST_PATH_IMAGE051
的谱半径小于1。
8.根据权利要求7所述基于动态矩阵预测控制的风功率预测方法，其特征在于：所述第二动态矩阵预测控制***的阶跃输入为风功率预测误差，获取对应的风功率单位阶跃响应的采样数据
Figure 501349DEST_PATH_IMAGE074
，
Figure 212120DEST_PATH_IMAGE075
，
Figure 117497DEST_PATH_IMAGE076
为第二动态矩阵预测控制***的阶跃响应预测模型建模时域。
CN202111585752.5A 2021-12-23 2021-12-23 一种基于动态矩阵预测控制的风功率预测方法 Active CN113988481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111585752.5A CN113988481B (zh) 2021-12-23 2021-12-23 一种基于动态矩阵预测控制的风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111585752.5A CN113988481B (zh) 2021-12-23 2021-12-23 一种基于动态矩阵预测控制的风功率预测方法

Publications (2)

Publication Number Publication Date
CN113988481A CN113988481A (zh) 2022-01-28
CN113988481B true CN113988481B (zh) 2022-05-03

Family

ID=79734108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111585752.5A Active CN113988481B (zh) 2021-12-23 2021-12-23 一种基于动态矩阵预测控制的风功率预测方法

Country Status (1)

Country Link
CN (1) CN113988481B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114583767B (zh) * 2022-03-10 2023-03-17 中国电力科学研究院有限公司 一种数据驱动的风电场调频响应特性建模方法及***
CN116316617B (zh) * 2023-05-26 2023-09-15 南方电网数字电网研究院有限公司 多场站智能融合的新能源发电功率区域预测方法和***
CN117748501B (zh) * 2024-02-19 2024-05-07 西安热工研究院有限公司 一种储能辅助黑启动的风功率预测方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831475A (zh) * 2012-08-01 2012-12-19 华北电力大学 用于风电场功率预测模型的正弦归一化方法
CN107947166A (zh) * 2017-12-01 2018-04-20 湖南水利水电职业技术学院 一种基于动态矩阵控制的多能微网变时调度方法及装置
CN113193556A (zh) * 2021-05-12 2021-07-30 燕山大学 基于概率预测模型的短期风电功率预测方法
CN113610665A (zh) * 2021-08-12 2021-11-05 东北电力大学 一种基于多延迟输出回声状态网的风力发电功率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831475A (zh) * 2012-08-01 2012-12-19 华北电力大学 用于风电场功率预测模型的正弦归一化方法
CN107947166A (zh) * 2017-12-01 2018-04-20 湖南水利水电职业技术学院 一种基于动态矩阵控制的多能微网变时调度方法及装置
CN113193556A (zh) * 2021-05-12 2021-07-30 燕山大学 基于概率预测模型的短期风电功率预测方法
CN113610665A (zh) * 2021-08-12 2021-11-05 东北电力大学 一种基于多延迟输出回声状态网的风力发电功率预测方法

Also Published As

Publication number Publication date
CN113988481A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113988481B (zh) 一种基于动态矩阵预测控制的风功率预测方法
Kariniotakis et al. Wind power forecasting using advanced neural networks models
CN108564206B (zh) 一种基于分布式优化和空间相关性的风电功率预测方法
CN111461463B (zh) 一种基于tcn-bp的短期负荷预测方法、***及设备
CN102478584B (zh) 基于小波分析的风电场风速预测方法及***
CN112598180A (zh) 一种分布式区域风电功率预测方法
CN110555548B (zh) 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法
CN104036328A (zh) 自适应风电功率预测***及预测方法
US11808915B2 (en) Wind power prediction method and system based on deep deterministic policy gradient algorithm
CN114757427A (zh) 自回归修正的lstm智能风电场超短期功率预测方法
CN116885691B (zh) 一种风电功率爬坡事件间接预测方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN112001537A (zh) 一种基于灰色模型和支持向量机的短期风电功率预测方法
CN114429248A (zh) 一种变压器视在功率预测方法
Chi et al. Comparison of two multi-step ahead forecasting mechanisms for wind speed based on machine learning models
CN113344283A (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN117293809A (zh) 一种基于大模型的多时空尺度新能源发电功率预测方法
CN115544895B (zh) 光伏电站年出力保证率模型优化方法
Mendes et al. Very short-term wind power forecasting: state-of-the-art
CN116502747A (zh) 一种基于概率预测的计及新能源多时间尺度不确定性的电力***备用量化方法
CN111950811B (zh) 基于双层人工神经网络的区域光伏功率预测方法及***
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN112183814A (zh) 一种短期风速预测方法
CN112036672A (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及***
Ramakrishnan et al. Deep Feature Selection for Wind Forecasting‐I

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant